东北三省主要粮食作物种植结构时空演变分析

闫梦川，魏东岚，吴云霞

（1.辽宁师范大学 地理科学学院，辽宁 大连 116000；2.内蒙古自治区农牧业科学院，内蒙古 呼和浩特 010031）

粮食是人们生活的必需品，也是农民重要的经济来源，粮食安全是国家发展和社会稳定的重要基础。近年来，世界人口压力不断增大，粮食安全问题日益严峻。东北三省（以下简称东三省）是我国重要的商品粮基地，探究其主要粮食作物种植结构分布特征，有利于进一步优化生产布局，对保障国家粮食安全具有重要意义[1]。随着时代的发展，遥感技术被大量地应用于农作物种植面积的获取，并且逐渐替代了传统的统计方法[2-4]。多源遥感数据和神经网络法、决策树法等分类方法的使用大大提高了农作物种植面积遥感信息提取的精度[5-7]。景观指数是景观格局信息高度浓缩的定量指标，也是景观格局研究的基础和关键[8]。目前，景观指数在农业方面的应用偏向于耕地整体格局的研究[9-11]，对农田内部农作物种植结构的研究应用较少[12-13]。本研究主要以MODIS 数据为依据，农作物的物候数据和土地利用数据为辅助，对2000—2015年东三省主要粮食作物大豆、水稻、玉米种植结构的时空演变进行了分析。

1 研究区概况与数据源

1.1 研究区概况

东三省总面积78.73 万km2，由黑龙江省、吉林省和辽宁省组成，位于我国的东北部。东三省冬长夏短，降水量充沛，大体上为温带季风气候，地形以平原和山地为主。

1.2 数据源

本研究使用的遥感影像数据为空间分辨率250 m的MOD13Q1 数据。通过中华人民共和国农业农村部种植业管理司网站收集的农作物物候数据，选取2000年、2005年、2010年和2015年4年中4—11月的MODIS 数据，再结合地理国情监测云提供的东三省土地利用数据，以及东三省4年的统计年鉴中农业类型数据包含的玉米、水稻和小麦的种植面积数据进行研究。

1.3 对MODIS 数据的预处理

根据东三省农作物的生长期，选择能完全覆盖东三省的6幅MOD13Q1 影像数据中4—11月的数据进行分析。通过MRT（MODIS reprojection tool）对所选数据进行批处理，把投影校正为Albers 等积圆锥投影，地理坐标系设置成WGS-84。再利用东三省的行政范围对批处理后的数据进行裁剪，最后通过土地利用数据中的耕地数据层在裁剪后的MOD13Q1 数据中提取所需的EVI 数据层，利用波段合成得到2000年、2005年、2010年和2015年东三省的MODIS EVI 时序数据。

2 研究方法

2.1 基于决策树模型的主要粮食作物种植面积提取

在利用MODIS 数据进行农作物种植结构研究中，EVI 数据层在农作物种植结构变化方面的敏感程度高于NDVI 数据层，更适合应用于农作物的动态监测。本研究选用MODIS EVI 时间序列数据作为数据源，利用MRT 软件提取2000年、2005年、2010年和2015年MODIS 数据的EVI 数据层，再根据研究区主要粮食作物时间序列植被指数曲线特征，结合研究区域气候条件等因素，利用TIMESAT 软件，使用双逻辑函数滤波法对时序数据进行重构。以谷歌影像为辅助工具收集样本数据，根据获得的研究区主要粮食作物——玉米、水稻和大豆的物候信息，分析3种粮食作物的EVI 曲线并获取EVI 曲线的特性，据此建立决策树的分类规则，构建决策树分类模型。

2.2 景观指数

本研究选取平均斑块面积、最大斑块指数、斑块密度、斑块聚合度、散布与并列指数及农作物变化幅度6个景观指数对东三省玉米、水稻和大豆的种植结构时空演变进行分析。

3 结果与分析

3.1 主要粮食作物种植面积提取结果

3.1.1 主要粮食作物种植结构 根据决策树分类模型提取了东三省大豆、玉米和水稻的种植结构信息。

由表1可知，2000—2015年，黑龙江、吉林和辽宁玉米的种植面积都在逐年增长，2000—2005年，黑龙江和吉林玉米的种植面积相当，且领先于辽宁；2005—2015年，黑龙江玉米的种植面积逐渐领先吉林，辽宁玉米的种植面积依旧垫底。2000—2015年，吉林和辽宁大豆的种植面积在逐年减少，黑龙江大豆的种植面积先增加后减少，黑龙江大豆的种植面积一直以绝对优势领先吉林和辽宁。2000—2015年，黑龙江水稻的种植面积以绝对优势领先吉林和辽宁，水稻种植面积一直处于稳定增长状态，吉林和辽宁水稻的种植面积所占比例相当，且变化较小。

表1 2000—2015年东三省主要粮食作物种植结构

3.1.2 分类精度评价 在试验研究中，精度评价是证实科学研究合理性的关键，也是研究中不可或缺的一步。本研究采用混淆矩阵对东三省主要粮食作物分类精度进行评价，评价因子选用用户精度、制图精度、Kappa 系数和总体精度4种，基于所选验证样本评价结果如下：2000年、2005年、2010年和2015年东三省玉米、水稻、大豆的各种精度几乎都高于83%，4年的Kappa 系数也均高于0.81。通过分析上述精度评价的结果认为，本研究中主要粮食作物种植结构提取的结果具有合理性，也证实了利用EVI植被指数对农作物种植面积遥感信息提取的可行性。结合不同作物的物候特性，克服了利用EVI 时序数据会提取到与特定地物光谱特征相似度极高的其他像元这一局限性，对研究结果的精度有所提升。

3.2 主要粮食作物种植面积的时空演变

3.2.1种植面积的时空演变 由表2可知，2000—2015年，东三省玉米、水稻的种植面积在不断增加，且玉米种植面积一直居于首位；2000—2010年东三省大豆的种植面积在不断增加，且种植面积居于第2位，2010—2015年大豆的种植面积被水稻的种植面积超越。从东三省总的种植面积来看，2000—2015年东三省的耕地面积逐年增加，反映出东三省的耕作潜力逐渐被发掘。

表2 东三省2000—2015年主要粮食作物的种植面积 单位：万hm2

3.2.2 主要粮食作物种植面积的变化幅度 由表3可知，2000—2015年，水稻的种植面积一直在上升，其变化幅度先增加后减少，有趋于稳定的趋势；玉米的种植面积也是一直在上升，但上升幅度在逐年减少；大豆的种植面积上升幅度一直在减少，2010—2015年甚至出现负增长。2000—2005年，玉米种植面积的增长幅度最大，为50.3%；水稻种植面积的增长幅度最小，为17.1%。2005—2010年，水稻种植面积的增长幅度最大，为41.2%，居首位；大豆种植面积的增长幅度最小，为3.4%。2010—2015年，水稻和玉米的种植面积增长幅度基本相同，分别为23.2%、23.8%；大豆种植面积的增幅为负，减少32.7%。

3.2.3 主要粮食作物景观指数的变化 由表4可知，2000—2010年，东三省水稻的平均斑块面积在整体上处于增加状态，其斑块密度却在持续减少，说明在此时间段东三省的水稻种植相对集中；2010—2015年，水稻的平均斑块面积减少，斑块密度增加，但数值与增加前相差不大，斑块聚合度相对稳定，说明水稻种植出现轻微破碎化的现象，在整体的集中种植上出现了轻微的分散。2000—2015年，东三省玉米和大豆的平均斑块面积都处于持续增加状态，斑块密度处于持续下降状态，斑块聚合度都在整体上增加，说明玉米和大豆的种植一直比较集中。通过最大斑块指数进行分析，2000年大豆的最大斑块指数高于水稻和玉米，为1.566 1%，说明在2000年大豆的种植面积最多，是东三省最主要的粮食作物；在2005—2015年，玉米的最大斑块指数以绝对优势成为最大，成为东三省最主要的粮食作物。

表3 东三省2000—2015年主要粮食作物种植面积的变化幅度 单位：%

表4 东三省2000—2015年主要粮食作物的景观指数

4 结论与讨论

本研究基于MOD13Q1 遥感影像数据，采用决策树法，借助谷歌影像进行数据采样，对东三省主要粮食作物——玉米、水稻和大豆的种植面积遥感信息进行提取，提取结果与统计年鉴相差不大，整体精度高于84%。再结合景观指数进行东三省主要粮食作物种植结构的时空演变分析，得到以下结论：从种植面积来看，2000—2015年，东三省玉米和水稻的种植面积一直在增加，大豆先增加后减少；从种植结构来看，2000年大豆的最大斑块指数高于水稻和玉米，为1.566 1%，是东三省最主要的粮食作物，2005—2015年玉米是东三省最主要的粮食作物；从种植格局来看，东三省玉米和大豆的种植一直比较集中，水稻种植在2010—2015年出现轻微的破碎化现象，但整体上相对集中。

MODIS 数据具有较高的时间分辨率和较低的空间分辨率，适合用于大范围研究，在使用MODIS数据进行较小区域的研究时，研究结果的精度往往低于预期[14]。本研究以东三省为研究区域，主要粮食作物提取结果较精确，在一定程度上对MODIS 数据在大范围研究中的合理性进行了证实。在研究条件允许的情况下，后续研究可以选用空间分辨率较高的遥感影像[15-16]或者多源遥感数据[17-18]，再结合实地考察采样提高农作物的提取精度。粮食问题是一个永恒的话题，它与每个社会成员都息息相关。随着人口增长和生活水平的不断改善，人们对于粮食产量和质量的要求不断提高，合理优化农作物的种植结构，提高粮食作物产量和质量任重而道远。